پردازش زبانهای طبیعی چکیده
پردازش زبان یادگیری ژرف . یکی از زیرمجموعههای پردازش زبانهای طبیعی.، تحلیل تمایل است. در حالت کلی، تحلیل تمایل.، مثبت و یا منفی بودن نظری را که در یک جمله و یا سند ابراز میشود.، مورد تحلیل و بررسی قرار میدهد. به دلیل آنکه نظرات هر شخص.، تاثیر زیادی در تصمیمگیریهای افراد دیگر و همچنین کسبوکارها دارد.، تحلیل تمایل خودکار متنها، اهمیت ویژهای داشته و در سالهای اخیر.، تحقیقات وسیعی در این زمینه صورت گرفته است.
یکی از مشکلات رایج در تحلیل تمایل برخی زبانها.، ازجمله زبان فارسی، عدم وجود منابع مناسب در آنها است. برای رفع این مشکل.، یکی از راهحلهای موجود.، تحلیل تمایل بین زبانی است. در روشهای بینزبانی، هدف آن است که با استفاده از منابع غنی موجود در یک زبان مبدا.، مدلهای یادگیری شده در این زبان به یک زبان مقصد.، که منابع کافی برای یادگیری مستقیم بر روی آن وجود ندارد، منتقل شود.
در این پژوهش.، با بهکارگیری یادگیری ژرف و شبکههای مولد تقابلی.، مدلی توسعه داده میشود که بهصورت بدون سرپرست.، قادر به انتقال دانش فراگرفتهشده از زبان انگلیسی به زبان فارسی.، و استفاده از آن در تحلیل تمایل جملات زبان فارسی است. ورودی مدل پیشنهادی، مجموعهای از درج کلمات دوزبانه فارسی.-.انگلیسی است.، که برای تولید آن.، دو مجموعه از درج کلمات تکزبانه با یکدیگر ترکیب شدهاند.، تا یک بازنمایی مشترک برای واژگان زبانهای فارسی و انگلیسی.، حاصل شود. معیار دقت در مدل پیشنهادی، برای انجام تحلیل تمایل سطح سند متون فارسی.، در ارزیابی پنج کلاسی.، برابر با %46.92. است.
فصل 1 مقدمه
1 1 کاربردهای تحلیل تمایل
1 2 سطوح مختلف تحلیل تمایل
1 3 تعریف رسمی مسئله
1 4 دستهبندی تمایل سندها
1 5 تطبیق دامنه 1 6 تحلیل تمایل بینزبانی
1 7 خلاصهای از روش پیشنهادی
1 8 جمعبندی
فصل 2 تحلیل تمایل و روشهای آن
2 1 چالشهای مرتبط با دادههای موجود در فضای وب
2 2 واژگان و عبارات تمایل
2 3 درج کلمه
2 3 1 بازنمایی توزیع شده کلمات
2 3 2 مدل پرش نگاشت
2 4 درج کلمه دوزبانه
2 5 بررسی روشهای مرتبط پیشین
2 5 1 روشهای تشکیل درج کلمه دوزبانه
2 5 2 روشهای تحلیل تمایل
2 6 جمعبندی
فصل 3 یادگیری ژرف
3 1 الهام بیولوژیکی شبکههای عصبی
3 2 نورونهای مصنوعی
3 3 یادگیری ژرف
3 3 1 شبکههای عصبی چندلایه
3 3 2 الگوریتم انتشار روبهعقب
3 4 توابع فعالسازی و ضرر
3 5 شبکههای CNN
3 5 1 معماری عمومی
3 5 2 کانولوشن
3 5 3 فیلترها
3 5 4 نقشه فعالسازی
3 5 5 لایههای پولینگ
3 5 6 کاربرد CNN در پردازش زبانهای طبیعی
3 6 شبکههای LSTM
3 6 1 ویژگیها و کاربردهای شبکههای LSTM
3 6 2 واحدهای LSTM
3 6 3 شبکههای RNN دوطرفه
3 6 4 سازوکار توجه
3 7 شبکههای مولد تقابلی
3 7 1 مولفههای تفکیککننده و مولد
3 7 2 روش یادگیری غیرمستقیم
3 7 3 جزئیات محاسباتی
3 8 جمعبندی
فصل 4 مدل پیشنهادی پژوهش
4 1 معماری پیشنهادی
4 1 1 مولفههای معماری پیشنهادی
4 1 2 یادگیری تقابلی
4 1 3 جریان داده
4 1 4 یادگیری نیمه سرپرست
4 2 درج کلمه دوزبانه
4 2 1 یادگیری تقابلی در MUSE
4 2 2 واژگان مصنوعی موازی
4 3 جمعبندی
فصل 5 نتایج و تحلیل دادهها
5 1 مجموعه داده
5 2 تشکیل درج کلمات دوزبانه
5 3 ابزار استفاده شده
5 3 1 پایتورچ
5 3 2 کودا
5 3 3 گوگل کولب
5 4 نتایج آزمایش
5 5 جمعبندی
فصل 6 نتیجهگیری و پیشنهادها
6 1 چالشهای مرتبط با پژوهش
6 2 مزایا و معایب روش پیشنهادی
6 3 پیشنهادها و کارهای آتی مراجع
پردازش زبانهای طبیعی
تحلیل تمایل , یادگیری ژرف , شبکه های مولد تقابلی , natural language processing , sentiment analysis , deep learning , generative adversarial network